Qu'est-ce que le machine learning ?

En programmation classique, vous écrivez les règles : « si le montant dépasse 1 000 € et que le pays est inhabituel, alors signaler la transaction ». En machine learning (apprentissage automatique), vous fournissez des exemples et un algorithme apprend la règle à partir des données. C’est utile quand les règles sont trop nombreuses, trop floues ou changent avec le temps.

Le vocabulaire de base

• Échantillon (ou observation) : une ligne du tableau, par exemple un client ou une fleur.
• Feature (variable explicative) : une colonne utilisée pour prédire, par exemple l’âge ou la longueur d’un pétale.
• Cible (target, label) : ce que l’on veut prédire, par exemple « a résilié » ou « prix ».
• Modèle : la fonction apprise qui relie les features à la cible.

Dans scikit-learn, on note X la matrice des features, de forme (n_échantillons, n_features), et y le vecteur cible, de forme (n_échantillons,).

Supervisé ou non supervisé ?

• Supervisé : chaque exemple possède une cible connue. Le modèle apprend à la prédire pour de nouveaux exemples.
  • Classification : la cible est une catégorie (spam / pas spam, espèce de fleur).
  • Régression : la cible est un nombre continu (prix d’un appartement, chiffre d’affaires).
• Non supervisé : pas de cible. On cherche une structure dans les données : groupes de clients similaires (clustering), compression de l’information (réduction de dimension).

Un premier jeu de données

scikit-learn fournit des jeux intégrés, disponibles sans connexion internet. Le plus célèbre est Iris : 150 fleurs décrites par 4 mesures, réparties en 3 espèces.

from sklearn.datasets import load_iris

iris = load_iris()
X = iris.data          # tableau numpy 2D : 150 lignes, 4 colonnes
y = iris.target        # tableau numpy 1D : 150 valeurs (0, 1 ou 2)

print(X.shape)               # (150, 4)
print(y.shape)               # (150,)
print(iris.feature_names)    # noms des 4 features
print(iris.target_names)     # ['setosa' 'versicolor' 'virginica']

Vous pouvez aussi obtenir un DataFrame pandas, plus pratique pour explorer :

iris_df = load_iris(as_frame=True)
df = iris_df.frame               # features + colonne 'target'
print(df.head())
X = df.drop(columns="target")   # X : DataFrame 2D
y = df["target"]                # y : Series 1D

Ici la cible est une espèce : c’est donc un problème de classification supervisée à 3 classes.

Ce qu’il faut retenir

Avant d’écrire la moindre ligne de modèle, posez-vous trois questions : quelle est ma cible ? est-elle catégorielle ou numérique ? de quelles features je dispose au moment de la prédiction ? Cette dernière question est essentielle : une feature qui n’existe qu’après l’événement à prédire (par exemple la date de résiliation pour prédire la résiliation) fausse complètement le modèle. On parle de fuite de données (data leakage), et nous y reviendrons tout au long du parcours.